Neue Monographie erklärt probabilistische Entscheidungsalgorithmen
Entscheidungstheorien liefern systematische Wege, um unter Unsicherheit zu wählen. Algorithmen, die diese Theorien umsetzen, haben bereits in Bereichen wie Material- und Wirkstoffforschung Erfolge erzielt. Sie sammeln gezielt Informationen, um künftig bessere Entscheidungen zu treffen, und schaffen dadurch dateneffiziente Arbeitsabläufe.
In der wissenschaftlichen Forschung, wo Experimente teuer sind, können diese Verfahren die Kosten erheblich senken. Um ihre Funktionsweise zu verstehen und weiter zu verbessern, sind theoretische Analysen unerlässlich. In der Literatur sind solche Analysen jedoch oft für Nicht‑Experten schwer zugänglich.
Die vorliegende Monographie bietet daher einen leicht verständlichen, selbst‑ständigen Einstieg in die theoretische Analyse gängiger probabilistischer Entscheidungsalgorithmen. Dazu gehören Bandit‑Algorithmen, Bayesianische Optimierung und Baum‑Suchverfahren. Für die Nutzung der Arbeit werden lediglich Grundkenntnisse in Wahrscheinlichkeitstheorie, Statistik und ein wenig über Gaußsche Prozesse vorausgesetzt.